Monday, December 12, 2022

Pengertian Data Empiris, Kelebihan dan Kelemahannya


Catatan si Boy
- Data empiris (empirical data) adalah data yang didapat dari pengamatan atau percobaan yang dilakukan secara nyata. Data ini bisa berupa angka, kata-kata, atau gambar yang diambil dari kejadian yang terjadi di dunia nyata.

Data empiris sangat penting dalam ilmu pengetahuan karena merupakan dasar bagi perumusan hipotesis dan teori. Tanpa data empiris, ilmuwan tidak bisa memastikan apakah suatu teori benar atau tidak. Data empiris juga berguna dalam membuat keputusan yang tepat dan bermanfaat bagi masyarakat.

Meskipun data empiris sangat penting, ada beberapa hal yang perlu diperhatikan dalam pengumpulan dan analisis data ini. Pertama, data empiris harus dikumpulkan dengan metode yang valid dan reliabel. Metode yang tidak valid akan menghasilkan data yang tidak dapat diandalkan, sedangkan metode yang tidak reliabel akan menghasilkan data yang tidak konsisten.

Kedua, data empiris harus dianalisis secara obyektif. Analisis yang tidak obyektif akan menghasilkan kesimpulan yang tidak benar dan bisa menyesatkan. Oleh karena itu, penting untuk melakukan analisis data dengan menggunakan metode yang sesuai dan menghindari bias.

Ketiga, data empiris harus selalu dipertimbangkan bersama dengan fakta-fakta lain yang relevan. Data empiris sendiri tidak bisa memberikan gambaran yang lengkap tentang suatu fenomena, sehingga perlu dikombinasikan dengan fakta-fakta lain untuk memperoleh gambaran yang lebih komprehensif.

Dengan demikian, data empiris merupakan bagian yang penting dalam ilmu pengetahuan. Pengumpulan dan analisis data empiris yang tepat akan membantu ilmuwan dalam membuat keputusan yang tepat dan bermanfaat bagi masyarakat. 

 

Kelebihan Data Empiris

  • Data empiris merupakan hasil observasi langsung terhadap fenomena yang terjadi di dunia nyata, sehingga memiliki keakuratan dan keabsahan yang tinggi.
  • Data empiris dapat memberikan gambaran yang lebih jelas dan detail mengenai fenomena yang diobservasi, sehingga mempermudah dalam pengambilan keputusan dan penyusunan kesimpulan.
  • Data empiris dapat menjadi dasar dalam pengembangan teori dan hipotesis, serta memberikan validitas dan reliabilitas yang tinggi dalam penelitian.
  • Data empiris dapat dianggap sebagai bukti empirik yang dapat dipertanggungjawabkan secara ilmiah dan logis.
  • Data empiris dapat menjadi bahan pertimbangan dalam pembuatan kebijakan dan program pengembangan, sehingga dapat meningkatkan efektivitas dan efisiensi dalam penyelesaian masalah.


Kelemahan Data Empiris

  • Data empiris hanya mencerminkan kondisi saat ini, sehingga tidak dapat digunakan untuk memprediksi masa depan.
  • Data empiris dapat terpengaruh oleh faktor-faktor eksternal seperti kebiasaan, sikap, dan persepsi responden, yang dapat menyebabkan ketidakakuratan dan ketidakrepresentatifan data.
  • Data empiris dapat terpengaruh oleh bias pengumpulan dan pengolahan data, yang dapat menghambat keabsahan dan keakuratan data.
  • Data empiris dapat terpengaruh oleh keterbatasan sumber data, sehingga tidak dapat menggambarkan kondisi secara keseluruhan dan menghambat generalisasi.
  • Data empiris dapat terpengaruh oleh keterbatasan waktu dan ruang, sehingga tidak dapat menggambarkan kondisi secara komprehensif dan menghambat kevalidan data.
Share:

Friday, July 22, 2016

Apa itu Degree of Freedom (df) atau Derajat Kebebasan (db/dk)?

Degree of Freedom (df) atau Derajat Kebebasan (db/dk)
Catatan si Boy - Sebenarnya tentang Derajat Kebebasan atau Degree of Freedom ini sudah dibahas sedikit di materi sebelumnya tentang cara Menginterpretasi Koefisien Korelasi Pearson Product Moment dalam kaitannya dengan konsultasi dengan r-table, namun untuk membuatnya lebih jelas perlu di ulas lagi supaya lebih jelas. 

Telah dijelaskan sebelumnya, bahwa menurut teori, setiap variable/ parameter yang anda estimasi/ taksir, maka anda kehilangan 1 derajat kebebasan. Jadi, derajat kebebasan adalah jumlah yang benar-benar dapat kita ambil dengan bebas. Misalnya anda punya 10 data sample, maka yang bisa anda ambil/ tentukan secara bebas hanya sembilan.
 
Untuk memahami hal tersebut perhatikan penjelasan berikut: Misalnya ada sebuah populasi dengan rata-rata (mean) sebesar 10. Selanjutnya kita diijinkan untuk mengambil sampel sebanyak 10 orang dari populasi tersebut. Pertanyaan adalah berapa banyak orang yang dapat kita ambil dengan bebas? Misalnya kita ambil orang pertama secara bebas, ia memiliki skor 14. Orang kedua masih dengan bebas, ia memiliki skor 8. Kemudian berturut-turut orang ketiga sampai orang ke sembilan diambil secara bebas dengan skor: 15, 6, 11, 14, 8, 6, dan 5. Bagaimana dengan orang kesepuluh? Apakah diambil secara bebas? Tentu jawabannya adalah tidak. Orang kesepuluh tidak dapat diambil secara bebas lagi. Jika sudah ada 9 angka, angka ke sepuluh tidak lagi dapat ditentukan dengan bebas agar mendapat estimasi yang sama (yaitu mean = 10). Misalnya jumlah skor-skor dari sembilan orang tadi adalah 87. Agar estimasi yang kita dapatkan sama, yaitu mean = 10, orang kesepuluh harus ditentukan sebesar 13. Dengan demikian dapat dikatakan kita kehilangan satu derajat kebebasan. Nah derajat bebas inilah yang kemudian digunakan untuk melihat nilai tabel tertentu, misalnya tabel t.  (Contoh diambil dari aditifa28.blogspot.co.id)
 

Oleh karena itu, degree of freedom atau derajat kebebasan selalu ditentukan dengan formula df=N-k. N adalah jumlah total pengamatan (data sample), k adalah jumlah parameter yang diestimasi (variabel). Misalnya, jumlah sampel 10, dan variabel 2, maka df=10-2 = 8.

Untuk apa menghitung Degree of Freedom atau Derajat Kebebasan?

Menghitung derajat kebebasan fungsinya supaya Anda dapat berkonsultasi dengan angka r-table  maupun t-table. Anda hanya akan dapat berkonsultasi apabila sudah menemukan angka df/db ini terlebih dahulu.

Nah, apabila anda sudah mengetahui nilai df, dan anda juga sudah menetukan taraf signifikansi, maka anda tinggal melihat berapa nilai/ harga r pada tabel di atas. Misalnya, df=8 dengan taraf signifikansi 5%, berarti harganya adalah 0,632. (mengenai taraf signifikasi lihat di sini)
Akhinya anda bisa mengiterpretasi koefesien hitungan korelasi Anda dengan standar aturan umum yaitu: Apabila r-hitung > 0,632 (taraf 5%) maka tes anda valid (korelasi positif yg signifikan/ H0 ditolak), jika r-hitung<0,632 maka tes anda invalid (tidak terdapat korelasi positif yg signifikan/ H0 diterima). Begitu juga dengan interpretasi reliabilitas sebuah tes apabila penentuannya dengan berkonsultasi dengan r table juga.
 

Ini adalah contoh r-table yang terdiri dari angka df dan taraf signifikasi 5% dan 1%:




Share:

Saturday, June 25, 2016

Menginterpretasi Koefisien Korelasi Pearson Product Moment

Catatan si Boy - Pengitungan korelasi digunakan untuk menemukan tingkat hubungan antara dua variabel atau lebih (data/ estimasi). Hasil penghitungan ini berupa koefisien yang nantinya akan diterjemahkan maknanya. Untuk melihat tingkat/ level korelasi dari hasil penggitungan, dapat mengacu kepada Djiwandono (2008:168) sepeti berikut ini:

Koefesien        Tingkat Korelasi
0,80 - 1,00        Tinggi
0,60 - 0,79        Lumayan Tinggi
0,40 - 0,59        Sedang
0,20 - 0,39        Rendah
0,00 - 0,19        Dapat diabaikan

Atau bisa juga mengacu kepada Arikunto (2009:74):

Koefesien                     Tingkat Korelasi
Antara 0,800 - 1,00        Sangat Tinggi
Antara 0,600 - 0,800      Tinggi
Antara 0,400 - 0,600      Cukup
Antara 0,200 - 0,400      Rendah
Antara 0,00 - 0,200        Sangat Rendah

Atau bisa juga menggunakan mengacu kepada para pakar lainnya baik dalam negeri maupun luar negeri yang dianggap cocok untuk penelitian anda. Antara pakar yang satu dengan yang lainnya dapat berbeda-beda dalam menginterpretasi namun makna pada umumnya hampir sama saja. 

Selain menggunakan interpretasi dengan menggunakan tingkat atau level korelasi seperti di atas, untuk hal yang lebih spesifik misalnya penentuan validitas atau reliabilitas sebuah tes (karakteristik tes yang baik) juga dapat berkonsultasi dengan r-table. 

Konsultasi dengan r-table ini akan memutuskan/ mengeksekusi apakaha tes valid/ invalid atau reliable/ unreliable. r-table ini dapat anda lihat pada Sudijono (2011:479) yang mengacu kepada Henry E. Garrett. Atau Anda juga dapat mencari di internet. Ada banyak sekali yang menampilkan daftar r-table ini, asal dari sumber yang jelas dan terpercaya.

Bagaimana Cara Berkonsultasi dengan r-table?


Sebelumnya saya perlihatkan contoh tabel dari r-table:



Untuk berkonsultasi dengan r-table, ada 2 hal yang perlu diperhatikan adalah:
1. Menentukan Taraf signifikansi,
2. Menentukan df/db. (degree of freedom/ derajad kebebasan)


Makna Taraf Signifikansi 5% dan 1%:


Taraf signifikansai adalah tingkat keterpercayaan dari hasil penelitian anda. Semakin kecil nilai taraf signifikansi yang anda ambil, semakin tinggi tingkat keterpercayaan hasil penelitian anda dan sebaliknya semakin besar taraf signifikansi yang anda ambil makan semakin kecil tingkat kepercayaan hasil penelitian anda. Taraf signifikansi boleh anda pilih 5% (0,05) atau 1% (0,01)

Untuk contoh, misalkan Anda mengambil taraf signifikansi 5%, berarti tingkat keterpercayaan hasil penelitian anda adalah 95%. Apabila anda mengambil taraf signifikansi 1%, berarti tingkat keterpecayaan anda hingga 99% (sangat mendekati 100%), namun akan semakin kecil peluang untuk meneruma hasil pengujian. 


Kapan Menggunakan Taraf Signifikansi 5% atau 1%?


Jadi kapan harus menggunakan taraf signifikansi 5% atau 1%? Terserah anda, apabila sanggup memenuhi taraf 1% silakan gunakan, apabila tidak silakan 5%, itupun sudah termasuk BAIK. Bahkan kadangh ada yang menggunakan 10%.

Sebagai catatan:
Penggunaan taraf signifikansi ini ada baiknya mengikuti tingkat kepentingan dari penelitian Anda. Untuk hal-hal yuang sangat penting, misalnya penelitian bidang kesehatan (menyangkut nyawa manusia) hendaknya gunakan taraf signifikansi 1% (kepercayaan 99%). Untuk bidang pendidikan umumnya dapat menggunakan taraf 5% (kepercayaan 95%). Untuk penelitian tertentu yang longgar bahkan bisa menggunakan taraf 10% (kepercayaan 90%).


Degree of Freedom (df) atau Derajat Kebebasan (db/dk):


Menurut teori, setiap variable/ parameter yang anda estimasi/ taksir, maka anda kehilangan 1 derajat kebebasan. Jadi, derajat kebebasan adalah jumlah yang benar-benar dapat kita ambil dengan bebas. Misalnya anda punya 10 data sample, maka yang bisa anda ambil/ tentukan secara bebas hanya sembilan. Oleh karena itu, degree of freedom atau derajat kebebasan selalu ditentukan dengan formula df=N-k. N adalah jumlah total pengamatan (data sample), k adalah jumlah parameter yang diestimasi (variabel). Misalnya, jumlah sampel 10, dan variabel 2, maka df=10-2 = 8.

Nah, apabila anda sudah mengetahui nilai df, dan anda juga sudah menetukan taraf signifikansi, maka anda tinggal melihat berapa nilai/ harga r pada tabel di atas. Misalnya, df=8 dengan taraf signifikansi 5%, berarti harganya adalah 0,632. 

Akhinya anda bisa mengiterpretasi koefesien hitungan korelasi Anda dengan standar aturan umum yaitu: Apabila r-hitung > 0,632 (taraf 5%) maka tes anda valid (korelasi positif yg signifikan/ H0 ditolak), jika r-hitung<0,632 maka tes anda invalid (tidak terdapat korelasi positif yg signifikan/ H0 diterima). Begitu juga dengan interpretasi reliabilitas sebuah tes apabila penentuannya dengan berkonsultasi dengan r-table juga.

Catatan:
Penjelasan lebih tentang Degree of Freedom klik di sini
Jenis Formula korelasi dan penggunaannya telah dijelaskan pada postingan sebelumnya.


Oleh: Aris Sugianto, M.Pd.
Sumber Bacaan:
1. Sudijono, Anas. 2011. Pengantar Evaluasi Pendidikan. Jakarta: Rajawali Pers.
2. Djiwandono, M. Soenardi. 2008. Tes Bahasa. Jakarta: PT. Indeks
3. Arikunto, Suharsimi. 2009. Dasar-Dasar Evaluasi Pendidikan. Jakarta: PT. Bumi Aksara.
4. Berbagai Sumber


Share:

Sunday, June 19, 2016

Mengenal Jenis dan Formula Korelasi oleh Pearson

Catatan si Boy - Di kalangan para peneliti, formula korelasi sangat populer untuk mencari tingkat keeratan hubungan antara dua buah variabel atau lebih. Korelasi bisa bernilai positif, bisa bernilai negatif. Rentangan angka koefesien korelasi mulai dari -1 hingga 1. Untuk rentangan korelasi positif, bernilai mulai dari 0 hingga 1. Sedangkan untuk rentangan korelasi negatif mulai dari -1 hingga 0. Semakin tinggi nilai koefesien korelasi berarti semakin erat hungungan antar variabel yang dikorelasikan.
Untuk mencari korelasi atau hubungan antar 2 (dua) buah variabel, pada umumnya para peneliti menggunakan 3 buah korelasi yang dikemukan oleh Pearson. Formula Korelasi tersebut disebut Korelasi product Moment atau sering juga disebut Pearson Product Moment. Ketiga Korelasi tersebut adalah Korelasi Product Moment dengan Simpangan, Korelasi Product Moment dengan Angka Kasar, dan Korelasi Point Biserial.


1. Korelasi Product Moment dengan Simpangan


Korelasi Product Moment dengan Simpangan adalah formula korelasi product moment yang dikemukakan oleh Pearson dimana penghitungannya dengan mengkorelasikan antara simpangan variabel X dan variabel Y. Simpangan dalam hal ini adalah selisih antar nilai variabel X atau variabel Y terhadap nilai rata-rata masing variabel tersebut.

Fungsi korelasi product moment dengan simpangan adalah untuk mengkorelasikan dua buah variabel yang berupa data kontinyu. Misalnya mengkorelasikan antara skor tes sumatif/ ulangan umum (summative test) dengan skor tes formatif/ ulangan harian (formative test).

Inilah formulanya:
Keterangan:



2. Korelasi Product Moment dengan Angka Kasar


Korelasi Product Moment dengan Angka Kasar pada dasarnya sama saja dengan Korelasi Product Moment dengan Simpangan. Bahkan fungsinya keduanya pun sama, yakni mengkorelasikan dua buah variabel yang berupa data kontinyu. Bedanya adalah, jika Korelasi Product Moment dengan Simpangan mengkorelasikan antara simpangan variabel X dan variabel Y, maka Korelasi Product Moment dengan Angka Kasar mengkorelasikan langsung pada skor kasar atau tidak perlu mencari simpangan terlebih dahulu.

Apakah hasilnya sama? Iya, hasilnya sama saja. Jadi, terserah Anda ingin menggunakan yang mana yang menurut anda lebih mudah. Saran saya lebih baik menggunakan Korelasi Product Moment dengan Angka Kasar ini, karena lebih mudah dan sederhana.

Inilah formulanya:


3. Korelasi Point Biserial (Point-biserial correlation)


Korelasi Point Biserial adalah penyerderhanaan dari korelasi product moment. Jika korelasi product moment adalah mengkorelasi 2 (dua) buah variabel yang semuanya berupa data kontinyu, maka korelasi point biserial ini digunakan cocok untuk mengkorelasikan 2 (dua) buah variabel yang mana variabel I berupa data diskrit murni atau data nominal atau data dikotomik, dan variabel II berupa data kontinyu. Misalnya, mengkorelasikan antara data dikotomik item tes dengan skor total dari peserta tes.  Dari tersebut, maka Formula Korelasi Point Biserial ini cocok digunakan untuk mengukur validitas item-item sebuah tes.

Inilah formulanya:

Barangkali banyak jenis-jenis korelasi yang lainnya, namun ketiga jenis korelasi inilah yang paling populer dan sering digunakan oleh para peneliti untuk mencari koefesien korelasi dari dua buah variabel.

Untuk menginterpretasi nilai penghitungan (koefisien) yang dihasilkan, silakan baca di sini.

Sebagai referensi, selain jenis korelasi populer oleh Pearson di atas, jenis korelasinya yang dapat digunakan adalah korelasi Spearman-Brown, Korelasi Flanagan, dan Korelasi Rulon. Semuanya disertai teknik dan fungsinya masng-masing.

Oleh: Aris Sugianto, M.Pd.

Sumber Bacaan:
1. Sudijono, Anas. 2011. Pengantar Evaluasi Pendidikan. Jakarta: Rajawali Pers.
2. Arikunto, Suharsimi. 2009. Dasar-Dasar Evaluasi Pendidikan. Jakarta: PT. Bumi Aksara.
3. Berbagai Sumber

Share: